PRONSTICO

No es posible planear el
futuro con base en el pasado,
pero tampoco existe otra
forma de jjuzgar
g el futuro si
no es con el pasado. El
pronstico
reduce
el
desconocimiento
del
porvenir,
minimiza
la
incertidumbre. Debe asegurar
el xito de la cadena de valor.

PRONSTICOS
Prof JJ. Rau
Prof.

Pronstico Versus Prediccin

El pronstico es un proceso de estimacin
de un acontecimiento futuro proyectando
hacia el futuro, datos del pasado, que son
combinados sistemticamente en forma
predeterminada para hacer una estimacin del
futuro.

Costo total del pronstico

Costo de desarrollo del mtodo

Costo de efectuar el pronstico
Costo del error del pronstico

La prediccin es un proceso de estimacin de

un suceso futuro, basndose en condiciones
subjetivas diferentes a los simples datos
provenientes del pasado, no necesariamente
se combinan de una manera predeterminada.

Marco Conceptual de los pronsticos

Criterios de eleccin

Por qu se va a usar un pronstico?

Para qu se va a usar un pronstico?
Los datos disponibles de la demanda
hi t i
histrica
El dinero y el tiempo disponibles!
La precisin requerida!

Planeacin del sistema: es preciso conocer las

demandas agregadas futuras, tal que los procesos
puedan disearse o redisearse para crear flujos de
productos necesarios para satisfacer la demanda.
(diferencia entre planeacin y pronsticos?)
El pronosticar
i es un insumo
i
para todos
d los
l tipos
i
de
d
planeacin y control empresarial.
rea Comercial: Planear productos, precios y promocin
rea Finanzas: Proyectar necesidades de capital
rea RRII: Estimacin de trabajadores necesarios
rea Sistemas: Diseo y aplica. sistemas de pronsticos

Informacin ms reciente sobre la

demanda de produccin

rea de Operaciones: Utiliza pronsticos para tomar decisiones en

la programacin de los recursos y en la planificacin de
operaciones a L.P., M.P. Y C.P. En el caso de procesos se necesita,
para decidir el tipo de proceso y grado de tecnologa.(si se
pronostica un volumen bajo o alto?, diferencia entre pronostico de
la demanda y pronostico de ventas?)
Programacin del sistema: para decidir cul es la mejor manera
de usar el sistema actual de conversin son muy importantes las
predicciones precisas de la demanda.
Control de sistemas: para decidir la mejor manera de controlar los
inventarios, la produccin, los recursos, la mano de obra y costos.

Proceso de demanda
para operaciones
Planeacin del sistema
Diseo del producto
Diseo del proceso
Inversin y reemplazo de
equipo

Programacin del
sistema
Planeacin agregada
de la produccin
Programacin de las
operaciones

Control del sistema

Control de produccin
Control inventarios
Control mano de obra
Control costos

Planeacin de la capacidad
Produccin de bienes
y servicios

Horizontes temporales de los

Pronsticos
1. Pronsticos al corto plazo:
Cobertura de 3 meses a un ao, programacin de
compras, de trabajos, de necesidades de M.O., de
operaciones de produccin.
2 Pronsticos al mediano plazo:
2.
Cobertura de un ao a 2 aos, til para la
programacin de ventas, produccin, de presupuestos.
3. Pronsticos al largo plazo:
Coberturas mayores a 2 aos, til para decisiones de
nuevos productos, aporte de capital, instalaciones,
investigacin y desarrollo.

Influencia del ciclo de vida del

producto
Cuando se desarrollan pronsticos de ventas,
especialmente a largo plazo, es importante tomar en
cuenta el ciclo de vida del producto.
Los productos y sobre todo los servicios no se venden al
mismo ritmo a lo largo de toda su vida.
vida
La mayora de productos pasan por 4 etapas:
- Introduccin
Pronsticos a
- Crecimiento
largo plazo
- Madurez
- Declive
corto plazo

Patrones de Demanda
Caractersticas de la demanda en el Tiempo
Patrones de demanda:
Las observaciones repetidas de la
demanda de un producto o servicio,
t
tomando
d como base
b
ell orden
d en que se
realizan, forman un patrn que se conoce
como serie de tiempo.
Ejemplo:
Asistir a una Discoteca, la demanda crece
los das viernes y sbado.

El anlisis presupone que los datos histricos de

demanda se componen de 4 partes:
Horizontal: Fluctuaciones entorno a una media
constante
La Tendencia: Movimiento gradual de ascenso o
descenso de los datos a lo largo del tiempo.
Estacionalidad: Muestra de datos que se repiten cada
cierto nmero de das, semanas, meses, trimestres.
Ciclos: Variaciones que ocurren cada cierto nmero de
aos
Aleatorio: Variaciones imprevisibles de la demanda

TIPOS DE PRONSTICOS
CICLO

DEMANDA

ESTACIONAL

1. Econmicas: dirigidas al ciclo empresarial, prediciendo tasa de

inflacin, masa monetaria.
Pe: Monopolista-demanda-precio
Inversionista-precio accin-cambio ndice de mercado

TENDENCIA

2. Tecnolgicas: ritmo de progreso tecnolgico.

Pe: Agrnomo-cosecha de trigo-T.A., sol, lluvias, fertilizantes

HORIZONTAL

ALEATORIO

TIEMPO

TCNICAS DE PRONSTICOS
Existen dos tipos de TCNICAS DE PRONSTICOS:
a) Tcnicas Cualitativas:
Incorporan importantes factores tales como la intuicin
d l que toma
del
t
decisiones,
d ii
emociones,
i
experiencia
i i personall
y sistema de valores.
B) Tcnicas Cuantitativas:
Emplean diferentes modelos matemticos, que utilizan
datos histricos, variables causales para determinar el
pronstico.

3. Demanda: proyecciones de la demanda de los productos o

servicios de la empresa.
Pe: Pronsticos de venta
Director MKT-demanda-propaganda

Tcnicas Cualitativas

1. Jurado de opinin pblica

2. Composicin de la fuerza de Ventas
3. Mtodo Delphi
4. Estudio de mercado

PRONOSTICOS
Mtodos Cuantitativos
Modelos de Series de Tiempo (basados en datos histricos)
Simplista o empricos
Promedios Mviles
Suavizacin exponencial
Promedio
Tendencia (*)
Estacionalidad (*)
P
Proyeccin
i con tendencia
t d i
Variaciones de informaciones estacionales
Tendencia
Estacionalidad
Mtodo de descomposicin clsico
Modelos causales (suponen demanda relacionada a algn factor(es) )
Regresin lineal con dos variables
Otras regresiones (mltiple, exponencial)

Los ocho pasos de un sistema de

pronsticos
1. Determinar la utilizacin del pronstico.
2. Seleccionar los productos para el pronstico respectivo.
3 Determinar el horizonte temporal del pronstico.
3.
pronstico
4. Seleccionar el modelo del pronstico.
5, Recopilacin de los datos.
6. Validar el modelo de pronstico.
7. Realizar el pronstico.
8. Implementar los resultados.

PRONOSTICOS DE DEMANDA
Aplicaciones segn horizonte de tiempo
APLICACIO N

CO RTO
(0 3 meses)

FOCO

Productos o
servicios
individuales

AREA DE
DECISION

Gestin de
inventarios
Secuenciamiento
de produccin
Asignacin de
trabajo
Programa maestro

TECNICAS DE
PRONOSTICOS

Series de tiempo
Causales
Cualitativas

M EDIANO
(3 meses 2
aos)

Terminologa:
LAR GO
(ms de 2 aos)

Ventas totales
Grupos de
productos o
servicios
Planeamiento de
personal
Planeamiento de
produccin
Compras
Distribucin

Ventas totales

Causales
Cualitativas

Causales
Cualitativas

Localizacin de
instalaciones
Planeamiento de
capacidad
Administracin
del proceso

1. Regresin y Causalidad:Aunque el anlisis

de regresin se ocupa de la dependencia de una
variable de otras, no implica necesariamente,
causalidad. En las palabras de Kendall y Stuart:
Una relacin estadstica, por ms fuerte y
sugerente que sea, no puede establecer una
conexin causal, nuestras ideas de causalidad
deben venir fuera de la estadstica en ltima
instancia de una u otra teora
p.e. : - Cosecha (agricultura)
- Teora de Keynes

Terminologas:
2. Regresin vs. Correlacin:

Ambos anlisis son distintos, pero guardan cierta relacin. La

correlacin tiene como principal objetivo medir el grado de
relacin lineal entre dos variables. Pe. Correlacin entre fumar y
tener cncer en los pulmones, entre notas de exmenes de
matemticas y estadstica.
En la regresin no interesa esta relacin,. Interesa el cambio,
trata de estimar o predecir el valor promedio de una variable con
base fija de otra.
En la regresin la variable dependiente es estadstica o aleatoria
y la independiente supone valores fijos. En el caso de
correlacin, se tratan ambas variables simtricamente, no hay
distincin alguna .
P.e. Correlacin matemtica - estadstica.

OBJETIVOS

Tcnicas de Pronsticos
cuantitativos

Tcnicas de series de tiempo

Una serie de tiempo es un grupo ordenado de
valores de una variable medidos en momentos
sucesivos o p
para intervalos sucesivos. El anlisis
de series de tiempo es una tcnica de ajuste de
curva.

Previsin de Series Temporales

1. Evaluar tendencias significativas con los datos

histricos.

Descomposicin de una serie temporal

2. Ordenar el ruido de los datos.

Periodo del
Modelo

3 Responder dinmicamente a los verdaderos

3.
cambios de la demanda en la medida que se
presenten.
4. Proyectar tendencias para el periodo futuro
requerido para lo que necesita el pronstico.

Semana
Mes
Mes
Ao
Ao
Ao

Duracin de la
Estacin
Da
Semana
Da
Trimestre
Mes
Semana

Nmero de Estaciones
en el Modelo
7
4-41/2
28-31
4
12
52

5. Efectuar estos objetivos con parmetros ptimos de

pronsticos

SERIES TEMPORALES O DE TIEMPO

Una de las suposiciones bsicas de todos los mtodos

de serie de tiempo, es que la demanda se puede dividir
en componentes como nivel promedio, tendencia,
estacionalidad, ciclos y error.
Llamado tambin modelo multiplicativo:
Y(t)= (a + bt)[f(t)] + e
donde:
Y(t)= demanda durante el periodo t
a= nivel
b= tendencia
f(t)= factor de estacionalidad
e= error aleatorio

PROMEDIO MVIL
Se usa para estimar el promedio de una serie de tiempo de
demanda y, por lo tanto para suprimir los efectos de
fluctuaciones al azar. ste mtodo resulta ms til cuando la
demanda no tiene tendencias pronunciadas ni influencias
estacionales La aplicacin de este modelo calcula la
estacionales.
demanda promedio para los n periodos ms recientes, con
el fin de pronosticar el siguiente periodo.
Ft+1=

Dt Dt 1 Dt 2 ...... Dt n 1
n

Dt= demanda real en el periodo t

n= nmero total de periodos incluidos en el promedio
Ft+1= pronstico para el periodo t+1

ENFOQUE SIMPLE O EMPRICO

Un mtodo que se usa con frecuencia en la prctica

es el pronstico emprico o simple, la forma ms
simple de prever es suponer que la demanda del
prximo periodo es justamente igual a la demanda
del ltimo periodo. Se puede tomar en cuenta una
tendencia de la demanda.
Pe. Si las ventas fueron de 120 la ltima semana, y
la anterior fue de 108, podemos decir que la
prxima semana ser de 120+12=132.

Ejemplo de Promedio Mvil:

Las ventas de cobertizos en el Garden Center de Miraflores se

muestran en la columna del centro de la tabla. A la derecha aparece
una media mvil de tres meses.
Mes
Ventas reales de cobertizos
Media Mvil Trimestral
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Setiembre
Octubre
Noviembre
Diciembre
Enero (Pronstico)

10
12
13
16
19
23
26
30
28
18
16
14

(10+12+13)/3= 11.666
(12+13+16)/3=13.666
(13+16+19)/3= 16
(16+19+23)/3= 19.333
(19+23+26)/3= 22.666
(23+26+30)/3= 26.333
(26+30+28)/3= 28
(30+28+18)/3= 25.333
(28+18+16)/3= 20.666
(18+16+14)/3= 16

Promedio mvil ponderado

Promedios Mviles Ponderados

Mes

Cuando existe una tendencia o modelo detectable, pueden

utilizarse pesos para enfatizar ms los valores recientes.
Estas tcnicas sean ms sensibles a los cambios porque los
perodos ms recientes se ponderan con mayor peso.
El peso de la media mvil se puede expresar
matemticamente como:
Peso de la = (peso periodo n) (demanda en el periodo n)
media mvil
pesos
Pe. Para el ejemplo anterior se usaran los pesos de 3,2,1,para
el ltimo mes, penltimo y antepenltimo respectivamente.

Ventas reales de cobertizos

Enero
Febrero
Marzo
Abril
Mayo
Junio
J li
Julio
Agosto
Setiembre
Octubre
Noviembre
Diciembre
Enero (Pronstico)

Media Mvil Trimestral

10
12
13
16
19
23
26
30
28
18
16
14

(1x10+2x12+3x13)/6= 12.166
(1x12+2x13+3x16)/6=14.333
(1x13+2x16+3x19)/6= 17
(1 16+2 19+3 23)/6 20.5
(1x16+2x19+3x23)/6=
20 5
(1x19+2x23+3x26)/6= 23.833
(1x23+2x26+3x30)/6= 27.5
(1x26+2x30+3x28)/6= 28.33
(1x30+2x28+3x18)/6= 23.33
(1x28+2x18+3x16)/6= 18.666
(1x18+2x16+3x14)/6= 15.33

ERROR DE PRONSTICO:
et = Dt - Ft

Ejm. Cobertizos (promedio mvil)

Errores de Pronsticos
Mes
Ventas
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Septiembre
Octubre
Noviembre
Diciembre
Enero (Pronstico)

MVTrimestral MVSemestralError (e=D-F) TrimError (e=D-F) Sem

10
12
13
16
19
23
26
30
28
18
16
14

11,7
13 7
13,7
16,0
19,3
22,7
26,3
28,0
25,3
20,7

15,5
18,2
21,2
23,7
24,0
23,5

16

22

4,3
53
5,3
7,0
6,7
7,3
1,7
-10,0
-9,3
-6,7

El error en el pronstico es la diferencia entre la demanda

real y la pronosticada y es necesario como medida de la
efectividad del pronstico.
ERROR PROMEDIO

10,5
11,8
6,8
-5,7
-8,0
-9,5

AE

1
N

e
i 1

Da una medida del sesgo. Si el procedimiento de

prediccin resulta ms bajo que la demanda el sesgo es
positivo, si es ms alto, el sesgo ser negativo. Lo ideal
es que el valor de AE sea pequeo.

Errores de Pronsticos
DESVIACIN ABSOLUTA

Errores de Pronsticos

MAD

1
N

Si ell pronstico
ti ffunciona
i
adecuadamente,
d
d
t llos errores dde
prediccin se distribuyen normalmente. As, la desviacin
media absoluta puede usarse para calcular la desviacin
estndar.

e 1.25MAD

O tambin:

MAD 0.8

Ejemplo:
Errores de Pronsticos
Mes
t
1
2
3
4
5
6
7
8

demanda
Dt
200
240
300
270
230
260
210
275

Pronstico
Ft
225
220
285
290
250
240
250
240
Total

CFE 15
CFE
AE
1.875
8
5,275
MSE
659.4
8

Error
Et
25
20
15
20
20
20
40
35
15

MSE et2
ERROR CUADRTICO MEDIO
N
2
(et et )

MSE
n 1
ERROR MEDIO ABSOLUTO PORCENTUAL
e
1
MAPE t 100
N
dt
Se pueden definir los Intervalos de confianza
Ft 1 t 1 66 %
Ft 1 2 t 1 95 . 5 %
Ft 1 3 t 1 99 %

SUAVIZADO EXPONENCIAL
ErrorCuadr Errorabsolut Error%abs
Et2
|Et|
(|Et|/Dt)100
625
25
12.5%
400
20
8.3%
225
15
5.0%
400
20
7.4%
400
20
8.7%
400
20
7.7%
1600
40
19.0%
1225
35
12.7%
5275
195
81.4%

( Et (1.875)) 2
27.4
7

MAD

195
24.4
8

81.4%
MAPE
10.2%
8

El mtodo de suavizacin exponencial es un mtodo de

promedio mvil ponderado de mejor ajuste, que permite
calcular el promedio de una serie de tiempo, asignando a
las demandas recientes mayor ponderacin que las
demandas anteriores. Requiere del ltimo pronstico, la
demanda de ese periodo y un parmetro suavizador, alfa
(), cuyo valor flucta entre 0 y 1.0.
Ft+1= Ft + (Dt - Ft)

Ft+1=Dt+ (1- )Dt-1+ (1- )2Dt-2+...+ (1- )nDt+1-n

Ejemplo: suavizado
exponencial

Ejemplo: El puerto del Callao

El puerto del Callao ha descargado grandes cantidades

de grano de los barcos durante los ltimos ocho
trimestres. El director de operaciones quiere analizar
la utilizacin de la tcnica del alisado o suavizado
exponencial en la previsin del tonelaje descargado.
Para ello supone que la previsin del grano
descargado en el primer trimestre fue de 175
toneladas. Dos son los valores de examinados:
= 0.1 y =0.5. La siguiente tabla muestra el detalle
de los clculos para = 0.1 nicamente

Trimestre
1
2
3
4
5
6
7
8
9

Para evaluar la exactitud de cada constante de alisado,

pueden calcularse las desviaciones absolutas y M.A.D.

Trim

Tns Desc.

Prono
=0.1

Dabs
=0.1

1
2
3
4
5
6
7
8

180
175
168
176
159
175
175
173
190
173
205
175
180
178
182
178
Suma de las desv. Absolutas
desviaciones
MAD=
n

5
8
16
2
17
30
2
4
84
10.5

Prono
=0.5
175
178
173
166
170
180
193
186

Dabs
=0.5
5
10
14
9
20
25
13
4
100

Tns Descargadas
Realmente

Previsin
=0.1

180
168
159
175
190
205
180
182
?

Previsin
=0.5

175
176=175+0.1(180-175)
175 175 5+0 1(168 175 5)
175=175.5+0.1(168-175.5)
173=174.75+0.1(159-174.75)
173=173.18+0.1(175-173.18)
175=173.36+0.1(190-173.36)
178=175.02+0.1(205-175.02)
178=178.02+0.1(180-178.02)
179=178.22+0.1(182-178.22)

175
178
173
166
170
180
193
186
184

Suavizado Exponencial con ajuste de

Tendencia
Si la serie de tiempo de la demanda tuviera tendencia, es necesario
aplicar una suavizacin exponencial con un cierto ajuste, porque
sino el suavizado exponencial sufrir retrasos con respecto a la
= 0.3
demanda real.Por ejemplo:
Periodo
1
2
3
4

Demanda real
10
20
30
40

Pronostico para el periodo t

F1=10
F2=0.3(10)+0.7(10)=10
F3=0.3(20)+0.7(10)=13
F4=0.3(30)+0.7(13)=18.1

12.5

10

Suavizado Exponencial con ajuste de

Tendencia
La frmula es:
Ft= Dt + (1-)*(Ft-1 + Tt-1)
FATt= Ft + Tt
donde: FATt: Pronostico con ajuste de tendencia en el tiempo t
Ft: Nuevo pronostico
Tt: Correccin de tendencia.
Para suavizar o alisar la tendencia, la ecuacin utiliza una
constante de alisado , se tiene lo siguiente:
Tt= (1 - ) Tt-1 + (Ft - Ft-1)
donde: Tt= tendencia suavizada para el periodo t
Tt-1= tendencia suavizada para el periodo anterior
= constante de suavizado de tendencia que seleccionamos
Ft= pronostico con suavizado exponencial para el periodo t
Ft-1= pronostico para el periodo anterior

Ejemplo de Alisado exponencial con tendencia

Paso1: Pronstico para el mes 2 (F2) = D1 + (1 - ) (F1+T1)
F2 = 0.2 (12) + 0.8 (11+0) = 11.2 unidades
Paso2: Calcular la tendencia presente. Asumiendo un ajuste de
tendencia inicial de cero, es decir T1= 0.
T2= (1-) T1 + (F2 - F1)
T2= 0 + 0.4(11.2 - 11.0)= 0.08
Paso3: Calcular el pronostico incluyendo la tendencia (FATt)
FAT2= F2 + T2
= 11.2 + 0.08= 11.28 unidades
Haremos los mismos clculos para el tercer mes:
Paso1:
F3= 0.2(17)+0.8(11.2+0.08)= 12.42
Paso2:
T3=(1-0.4)(0.08)+0.4(12.42-11.2)=0.54
Paso3:
FAT3= 12.42 + 0.54= 12.96
Nota: Proyeccin # periodos x Tendencia

Ejemplo de Alisado exponencial con

tendencia
Un importante fabricante de Portland utiliza el alisado
exponencial para prever la demanda de un equipo de control de
polucin. Se detecta una tendencia al alza en la demanda.
Mes
1
2
3
4
5

Demanda
12
17
20
19
24

Mes
6
7
8
9

Demanda
26
31
32
36

Los valores asignados a las constantes de suavizado son = 0.2 y

= 0.4. Se supone que el pronostico inicial para el mes 1 era de
11 unidades.

PROYECCIN DE TENDENCIA
Esta tcnica ajusta una lnea de tendencia a la serie de datos
histricos, y entonces proyecta la lnea hacia el futuro para realizar
pronsticos a medio o largo plazo.
Se podrn desarrollar diferentes ecuaciones matemticas tendenciales
por ejemplo, exponencial y cuadrtica.
Se aborda
S
b d ell enfoque
f
dde regresin
i para ell anlisis
li i del
d l pronostico
ti del
d l
crecimiento, la ecuacin ms general que se usa es el polinomio de la
forma bsica:

Y (t ) a bt ct 2 ... gt n 1 ht n
Donde: Y (t ) Es el valor estimado del valor de los datos verdaderos
Y(t) en un periodo t, y a,b,c,..g,h coeficientes ajustados
del polinomio.

11

Modelo Constante

Y (t ) a

PROYECCIN DE TENDENCIA
Cuando se usa el procedimiento de mnimos cuadrados de
regresin en el ajuste de datos, los valores Y (t ), se
comparan con los verdaderos valores de Y(t).

Para cada valor de datos se forman errores: e(t ) Y (t ) Y (t )

Se elevan al cuadrado y se minimiza la funcin:

Para cada valor de datos se forman errores:

e(t ) Y (t ) Y (t )
Estos errores se elevan al cuadrado para eliminar los
problemas de signo, en que se neutralizan valores de signo
contrario. Luego en el proceso de regresin se encuentran los
coeficientes de ajuste que minimizan la suma de los errores
N
cuadrados
2

min{ Y (t ) Y (t ) }
t 1

Modelo lineal con pendiente b

t 1

Derivando e igualando a cero las derivadas con respecto a (a)

y (b), se obtienen 2 ecuaciones con 2 incgnitas. Resolviendo
el sistema se obtienen entonces los valores de a y b.

N tY (t ) Y (t ) t
N t t
2

t 1

Si se sospecha de un modelo constante, el promedio de los valores

de los datos histricos es la mejor prediccin a valores futuros.

Modelo Cuadrtico con pendiente b y

cambio de pendiente c

El trmino de error a minimizar:

2
N
e 2 (t ) Y (t ) a bt

t 1
t 1

Y (t )

Y (t ) a bt ct 2

El trmino de error a minimizar:

N
2
e 2 (t ) Y (t ) a
t 1

La solucin para a es:

Y (t ) a bt
N

(1)

a Y (t ) bt

e
t 1

2
N
(t ) Y (t ) a bt t 2
t 1

Se obtienen ecuaciones simultneas derivando con respecto a

(a), (b) y (c.). Luego igualando a cero las tres condiciones
resultantes. La solucin de las ecuaciones da como resultado.

* *
* 2

El valor de b puede ponerlo en funcin de Y (t ) y t

12

Modelo Cuadrtico
Donde:

(t 2 ) 2 nt 4
tY (t ) NtY (t )

t Y (t ) Nt Y (t )
2

t t 2 N t 3
(t ) 2 Nt 2

Luego: calculo de c

Finalmente el valor de a:

b *

Y (t )
t
t 2
b c
N
N
N

Problemas de la regresin
como herramienta para
pronosticar

Se tiene que mantener gran cantidad de datos de

respaldo.
Todos los datos se p
ponderan igualmente.
g
No se sabe cuntos valores de datos de respaldo se
deben mantener.
Los coeficientes de actualizacin de ajuste de un
periodo a otro toman mucho tiempo y son engorrosos.

Modelo Exponencial
Generalmente se piensa que la regresin es aplicable solamente a
modelos polinmicos. En realidad, si con un modelo se pueden
tomar derivadas del criterio de error con respecto a los parmetros
de ajuste, entonces ese modelo es factible para la optimizacin por
medio de la regresin de mnimos cuadrados.
C id
Considrese
ell siguiente
i i t modelo
d l exponencial:
i l Y ( t )

ae bt

Para encontrar los valores de (a) y (b) es necesario hacer una

transformacin de los datos para aplicar la regresin:

ln[Y (t )] ln(a ) bt
El resultado es un modelo lineal con intercepto igual a ln(a). Se
pueden utilizar las ecuaciones del modelo lineal luego de tomar
logaritmos naturales a los datos originales que se estn ajustando.

Ejemplo de Proyeccin de Tendencia

La demanda de energa elctrica en Reno (EEUU) a lo largo del
perodo 2006 - 2012 es la mostrada ms abajo, en megavatios.
Ajustemos una recta a estos valores y preveamos la demanda de
2013.
Ao
2006
2007
2008
2009

Demanda de Energa
Elctrica
74
79
80
90.

Ao
2010
2011
2012

Demanda de Energa
Elctrica
105
142
122

13

Ejemplo de Proyeccin de Tendencia

x 28
X

4
n
7

y 692
Y

98.86
n
7

xy nx y 3063 7 * 4 * 98.86
b 2

10.54
x nx 2
140 7 * 4 2
a y bx 98.86 10.54 * 4 56.70
Por lo tanto la ecuacin ser:

y 56.7 10.54 x

De acuerdo a nuestro sistema de cdigo como x=8:

Demanda en 2013= 56.7 + 10.54(8)= 141 megavatios
La demanda de 2014 puede estimarse colocando x=9 en la
misma ecuacin: Demanda 2008= 56.70+010.54(9)=151.56
megavatios o 152 megavatios.

Ejemplo de Estacionalidad
Caso 1: usando el modelo constante
Las ventas mensuales de computadores porttiles de la compaa Compaq en Reva
Computerland son la abajo mostradas para 2011 - 2012
Ventas Demanda
Dem.Media Dem Media
ndice
Mes
2011
2012
2011 - 2012
Mensual
Estacional
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Setiem
Octubre
Noviem
Diciem

80
100
75
85
80
90
90
110
115
131
110
120
100
110
90
110
85
95
75
85
75
85
80
80
Demanda media total:

90
80
85
100
123
115
105
100
90
80
80
80
1128

94
94
94
94
94
94
94
94
94
94
94
94

0.957
0.851
0.904
1.064
1.309
1.223
1.117
1.064
0.957
0.851
0.851
0.851

Variaciones Estacionales en los Datos

Con frecuencia los datos histricos se polarizan debido a
las caractersticas de cada estacin. La eliminacin de esa
polaridad se denomina desestacionalizacin de los datos.
En cualquier pronstico de valores futuros debe tenerse en
cuenta la estacionalidad, mientras el anlisis de
crecimiento, debido al problema de la polaridad, se debe
efectuar sobre datos desprovistos de estacionalidad.
Los ndices estacionales, indican el porcentaje fraccionario
por el que cada dato estacional queda arriba o abajo del
valor estacional promedio. Estos ndices se pueden usar en
los datos de desestacionalizacin y en pronsticos para el
futuro.

Demanda media total= 1128 / (12 meses) = 94

ndice de estacionalidad= Demanda media 2011-2012
Demanda media mensual
Utilizando estos ndices de estacionalidad, si esperamos que la
demanda anual de computadoras para 2013 sea de 1200 unidades,
preveramos la demanda mensual de la siguiente forma:
Mes

Demanda

Enero

1200 x 0.957= 96
12
Febrero 1200 x 0.851= 85
12
Marzo 1200 x 0.904= 90
12

14

Mes

Demanda

Mtodo Estacional
Multiplicativo

Abril

1200 x 1.064= 106

12
Mayo
1200 x 1.309= 131
12
Junio
1200 x 1.223= 122
12
Julio
1200 x 1.117= 112
12
Agosto 1200 x 1.064= 106
12
Setiem
1200 x 0.957= 96
12

Octubre 1200 x 0.851= 85

12
Noviem 1200 x 0.851= 85
12
Diciem
1200 x 0.851= 85
12

Caso: LIMPIASOL SAC

trimestre
1
2
3
4

Ao 1
45
335
520
100
1000

Ao 2
70
370
590
170
1200

Ao 3
100
585
830
285
1800

La gerente de la compaa LIMPIASOL SAC,

perteneciente al rubro de limpieza de alfombras,
necesita un pronstico trimestral del nmero
esperado de clientes para el ao siguiente. El
negocio de la limpieza de alfombras es estacional,
con un punto mximo en el tercer trimestre y uno
mnimo en el primer trimestre. Presentamos a
continuacin los datos de la demanda trimestral
registrada en los cuatro aos ms recientes.

Caso: LIMPIASOL SAC

Ao 4
100
725
1160
215
2200

La gerente desea hacer un pronstico de la demanda de clientes

para cada uno de los trimestres del ao 5, basndose en su
estimacin de que la demanda total durante el ao 5 ser de 2600
clientes.

Paso 1: El nmero promedio de clientes por estacin:

Ao 1:
Ao 2
Ao 3
Ao 4

1000/4=
1200/4 =
1800/4 =
2200/4 =

250
300
450
550

Paso 2: Los ndices estacionales

Trimestre
1
2
3
4

Ao1
45/2500 0.18
335/250= 1.34
520/250= 2.08
100/250= 0.4

Ao2
70/300= 0.23
370/300= 1.23
590/300= 1.97
170/300= 0.57

Ao3
100/450= 0.22
585/450= 1.3
830/450= 1.84
285/450= 0.63

Ao4
100/550= 0.18
725/550= 1.32
1160/550= 2.11
215/550= 0.39

15

Caso: LIMPIASOL SAC

Paso 3: Observar los ndices. Se calcula el promedio:
Trimestre
1
2
3
4

ndice estacional promedio

(0.18+0.23+0.22+0.18)/4=
0.2
(1.34+1.23+1.30+1.32)/4=
1.3
(2.08+1.97+1.84+2.11)/4=
2
(0.40+0.57+0.63+0.39)/4=
0.5

Paso 4: Observar la demanda anual. Dividir entre el N de

periodos el pronstico anual y multiplicar por el ndice
estacional promedio
Trimestre
1
2
3
4

650*0.2=
650*1.30=
650*2=
650*0.50=

Pronstico
130
845
1300
325

Clientes
Clientes
Clientes
Clientes

16